基于面向对象程序设计的危险驾驶检测方法研究

万富强 谢凯 李先苦

摘要：为了提高危险驾驶检测的准确性，我们提出了基于面向对象程序设计的危险驾驶检测方法。该方法用红外摄像头采集驾驶员的视频帧，首先利用OpenCV DNN对视频帧中采集到的人脸关键点定位，在通过CNN卷积神经网络算法降低数据计算复杂度提取人脸中的眼睛和嘴巴特征，最后用LSTM网络关联驾驶员前后状态数据判断危险驾驶检测结果。实验结果表明，通过基于面向对象程序设计的危险驾驶方法，与传统的用opencv、dlib库等危险驾驶检测方法成本低，速度较好，准确率略高。

关键词：危险驾驶;计算机视觉;图像识别

中图分类号：TP391.41      文献标识码：A

文章编号：1009-3044（2019）16-0199-02

开放科学（资源服务）标识码（OSID）：

目前对驾驶员进行危险驾驶检测的方法分为主观检测和客观检测。主观检测方式包括两类方法：评价性检测和生理反应检测。主观检测方式实时性较差，存在个体差异，准确性差;因此主观检测在现实中应用推广难度大。客观检测方式分为：基于生理信息、基于操控行为、基于行车状态、基于机器视觉以及基于信息融合等五大类别识别方法。基于生理信息检测对个体具有很强的干扰性和安全隐患，这些因素限制了这类方法的发展。基于操控行为检测因为缺少操控行为和危险驾驶行为之间相关性的基础理论研究，难以确定识别算法阈值，在低速驾驶中识别准确率低，因此这些因素限制了其发展。基于行车状态检测因为受环境条件的影响较大，识别准确率不高。基于机器视觉检测识别准确性受环境以及算法效率影响较大。基于信息融合[1]的检测是将上述几种方法进行组合，解决了单一特征检测方法的准确度和可靠度上的不足，此类危险驾驶判别方法的关键是设计合理的信息融合方法。近年来，随着深度学习的不断发展，深度学习理论与实践给现今很多问题提供了很好的解决思路，利用抽象出来的神经网络模型来模拟人脑的学习过程，能够借鉴人脑的多层抽象机制来实现对数据（图像、语音及文本等）的抽象表达，对具有复杂特征的大规模数据处理比以往更加简单灵活。视频人脸的处理非常复杂[2]。现实中检测人脸关键点有opencv[3]、dlib等方法，但是这些方法对光照变化、对象遮挡处理得不是很好。而OpenCV DNN是针对人脸定位提出的，它可以快速准确的定位不同尺度的人脸和在复杂环境下工作等优点。深度学习中的卷积神经网络[4]延续了一般神经网络所拥有较好容错性、自动学习以及自适应等特点，同时实现了自动获取图像特征以及权值间共享，使得整个卷积神经网络复杂度降低，这些优点在图像处理中十分明显。将深度学习的卷积神经网络运用到危险驾驶检测中，能够很好地完成复杂驾驶环境下的危险驾驶状态的检测，对完善危险驾驶检测系统具有重要的现实意义。对于这些问题，本文采用了一种基于面向对象程序设计的危险驾驶检测方法，假设已经在图像中检测出了驾驶员的脸，用OpenCV DNN替代sobel算子完成对人脸关键点定位，把得到的人眼和嘴部轮廓和位置特征利用深度学习中的CNN网络中，再把得到眼部和嘴部特征送到设计好的LSTM中，完成对驾驶员是否处于危险驾驶状态的判断。

1 危险驾驶检测方法研究

对于危险驾驶检测方案研究如图1，并且设计了PyQt界面如图2。本文针对人脸的关键点定位，采用的是OpenCV DNN进行特征点定位，这样可以减少计算成本，并结合深度学习中CNN网络中得到的特征送到LSTM中判断是否处于危险驾驶状态。

2 实验结果与分析

本文采用的是OpenCV DNN来进行人脸关键点的定位，OpenCV DNN在CPU上能够实时运行，可以快速定位出人脸关键点。我们知道危险驾驶检测，人眼和嘴巴阈值的选择是非常重要的。经过多次试验，从图3中可以看出，为了提高准确率，我们选择的眼睛和嘴巴阈值分别是在2.5处和10处时，危险驾驶检测的准确率最高。在相同的阈值条件下，本文OpenCV DNN比其他方法具有更高的准确性。

3 结论

本文提出的基于面向对象程序设计的危险驾驶检测方法，我们采用的是红外摄像头采集实时视频，用OpenCV DNN对人脸关键点定位，加快了系统的检测速度，采用CNN卷积神经网络替代了传统方式特征提取带来的计算复杂度大的问题，最后用LSTM网络关联驾驶员前后两个时序数据，从而完成危险驾驶检测。与传统方式相比，该方法极大节约了成本，加快了检测速度，同时提高了危险驾驶检测的准确率。

参考文献：

[1] 李娟，王富.基于數据融合的危险驾驶行为识别与车辆跟踪算法研究[D].武汉工程大学，2017.

[2] 田桂，谢凯.LSTM-RBM-NMS模型下的视频人脸检测方法研究[J].电脑知识与技术，2018，15（4）：176.

[3] 尚丽娜，石晴瑶，方健.基于OpenCV的人眼检测及疲劳判断[J].电子世界，2018，（21）：19-20+23.

[4] 李旭冬，叶茂，李涛.基于卷积神经网络的目标检测研究综述[J].计算机应用研究，2017， 34（10）：2881-2886.

【通联编辑：李雅琪】